AI聊天機器人登上Nature子刊 證實對改善心理健康服務可及性的潛力

人工智能（AI）聊天機器人的意義遠不止表面上的“你問我答”，還有一些更重要的，比如“讓每個人都可以享受同樣的醫療資源”。

為增加心理健康服務的可及性，由倫敦大學學院和艾伯哈德·卡爾斯蒂賓根大學組成的研究團隊開發了一款個性化自助聊天機器人——Limbic Access。

研究團隊在英格蘭進行了一項涉及 129400 人的觀察性研究，研究表明，該系統的使用導致更多人，尤其是少數群體，使用國家衛生服務（NHS）談話療法服務，其服務群體的數量和多樣性均有所增加。

圖｜NHS Talking Therapies 網站上的 Limbic Access 聊天界面。a）初始消息界面，該消息是針對特定服務定制的；b）收集人口統計信息界面。（來源：該論文）

相關研究論文以“Closing the accessibility gap to mental health treatment with a personalized self-referral chatbot”為題，剛剛發表在科學期刊 Nature Medicine 上。

該研究證實了數字工具對改善心理健康服務可及性的潛力，為推動更全面、平等的服務提供了有力支持。

改變了什么？

心理健康是全球范圍內廣泛存在的問題，但并不是所有人都可以在需要時使用心理健康服務，訪問心理健康服務受到諸多障礙的制約。

Limbic Access 旨在通過提高服務的可及性來解決這一問題。

在此次觀察性研究中，該系統的使用導致了更多、更多樣化的人群進入國家衛生服務體系（NHS）的談話療法服務，尤其是一些長期被忽視的群體。

據論文描述，Limbic Access 的獨特之處在于其個性化的設計，通過主動引導用戶完成自我推薦流程，同時允許用戶深入探討他們的心理健康問題，降低心理健康問題的社會污名。

該聊天機器人已經在英格蘭 14 個 NHS 談話療法服務中心的在線門戶上投入使用。在為期 3 個月的研究期間，這些中心的自我推薦數量增加了15％，而未使用該工具的 14 個中心則僅增加了 6％。

圖｜Limbic Access 實施前后的推薦總數。使用聊天機器人以粉色顯示，未使用以灰色顯示。（來源：該論文）

其中，非二元、亞洲/亞裔英國人和非裔/非裔英國人群體的自我推薦增加更為顯著，分別增加了179％、39％ 和 40％。

圖｜使用聊天機器人（粉色）和對照組（灰色）的社會人口群體的百分比變化。（來源：該論文）

值得注意的是，推薦數量的增加并沒有導致等待時間的增加或臨床評估數量的減少。

如何做到的？

那問題來了，Limbic Access 是如何做到的？

據介紹，Limbic Access 的工作原理包括收集個人信息，并主動引導用戶完成自我推薦過程、獲得心理健康服務。

該聊天機器人通過使用多個機器學習模型預測患者最可能的診斷，并根據此預測管理定制的問題。

模型使用自由文本輸入、標準化問卷分數（比如 PHQ-9）、人口信息和行為指標（比如反應時間和輸入速度）作為其預測的輸入。該預測模型結合了用于自由文本輸入的自然語言處理的 Transformer 模型和用于其他輸入方式的梯度增強模型。

而且，研究中采用了三種自我推薦格式，確保長度相等，共約 120 個問題，但在提問選擇和呈現方面存在差異。

圖｜NHS 談話治療服務的研究設計和治療途徑。a）多地點回顧性觀察研究的研究設計，顯示不同服務的 3 個月實施前和 3 個月實施后階段；b）治療路徑，顯示患者從訪問 NHS 談話治療服務網站并自我推薦到進入治療的過程。（來源：該論文）

Limbic Access 根據參與者提供的信息進行個性化，而通用聊天機器人和 Web 表單則不根據參與者的答案進行更改。

該研究的關鍵發現之一是，Limbic Access 顯著提高了自我推薦率，特別是在少數群體中。

Limbic Access 的提出不僅解決了現有心理健康服務的問題，而且通過提高服務的可及性和包容性，為整個領域帶來了積極影響。

通過促進用戶對心理健康問題的深入思考，該系統有望降低心理健康問題的社會污名，鼓勵更多人主動尋求幫助。

然而，盡管該研究在推廣心理健康服務方面取得了積極的成果，但仍存在一些局限性。

首先，由于無法操控干預變量，研究的觀察性設計限制了對因果關系的準確判斷；其次，該研究僅涵蓋了英格蘭地區的 129400 人的觀察數據，因此在將結果推廣到其他文化和地理背景人群時，需要小心謹慎；另外，該研究未能全面考慮個體的數字素養和技術適應性，這對于使用自助轉介工具的體驗可能產生影響。

此外，該研究集中于觀察自助轉介工具對少數群體的積極影響，但未深入探討其中可能存在的社會不平等和潛在的偏見。

研究團隊表示，未來的研究可以更深入地調查不同群體之間在使用和受益方面的差異，從而確保這些創新工具不會加劇社會不平等。

最后，雖然該研究關注了自助轉介的數量增長，但并未深入研究服務的質量和效果。對于參與者的心理健康狀況和治療結果的進一步跟蹤，將有助于更全面地評估這一創新方法的長期影響。

因此，人們在將這些結果應用于實際臨床實踐時，需要謹慎權衡這些局限性。

未來，隨著技術的不斷發展，AI 聊天機器人有望更加智能化，能夠提供更個性化、有針對性的心理健康服務。我們可以期待個性化 AI 聊天機器人領域的進一步拓展。